[论文解读] BI-GCN: Boundary-Aware Input-Dependent Graph Convolution Network for Biomedical Image Segmentation

Yanda Meng, Hongrun Zhang+6 more|arXiv (Cornell University)|Oct 27, 2021

Retinal Imaging and Analysis参考文献 40被引用 15

一句话总结

该论文提出BI-GCN，一种边界感知、输入相关的图卷积网络，用于生物医学图像分割。通过通道和空间注意力机制学习数据特定的图结构，增强长距离语义推理能力。在息肉和视盘/视杯分割任务中，分别取得88.8%和91.1%的平均Dice分数，优于当前最先进方法。

ABSTRACT

Segmentation is an essential operation of image processing. The convolution operation suffers from a limited receptive field, while global modelling is fundamental to segmentation tasks. In this paper, we apply graph convolution into the segmentation task and propose an improved extit{Laplacian}. Different from existing methods, our extit{Laplacian} is data-dependent, and we introduce two attention diagonal matrices to learn a better vertex relationship. In addition, it takes advantage of both region and boundary information when performing graph-based information propagation. Specifically, we model and reason about the boundary-aware region-wise correlations of different classes through learning graph representations, which is capable of manipulating long range semantic reasoning across various regions with the spatial enhancement along the object's boundary. Our model is well-suited to obtain global semantic region information while also accommodates local spatial boundary characteristics simultaneously. Experiments on two types of challenging datasets demonstrate that our method outperforms the state-of-the-art approaches on the segmentation of polyps in colonoscopy images and of the optic disc and optic cup in colour fundus images.

研究动机与目标

• 解决CNN在生物医学图像分割中因感受野受限而难以捕捉长距离上下文依赖的问题。
• 克服密集空洞卷积和多尺度融合在建模远距离语义相关区域时的低效性。
• 引入一种数据依赖的图结构，自适应于输入特征，以提升全局语义推理能力，同时保持边界细节。
• 通过新颖的图卷积机制显式建模区域间相关性与空间边界特征，提升分割精度。
• 在具有挑战性的生物医学数据集上展示优越性能，尤其针对小尺寸或不规则形状结构（如息肉和视盘/视杯）。

提出的方法

• 提出一种边界感知的输入相关图卷积（BI-GConv），通过两个可学习的对角注意力矩阵学习数据自适应的图结构。
• 通过输入特征嵌入的点积相似度计算顶点关系，结合通道注意力与空间注意力以优化边权重。
• 将BI-GConv模块集成到分割框架中，实现基于图的消息传递，以捕捉跨区域的长距离依赖。
• 引入边界感知模块（BSM），在特征学习过程中强调空间边界，提升定位精度。
• 设计一种图表示学习机制，联合建模语义关系与边界连续性，增强特征传播能力。
• 采用交叉熵损失与Dice损失端到端联合训练模型，实现分割与图推理的联合优化。

实验结果

研究问题

• RQ1 与固定或手工构建的图结构相比，数据依赖的图卷积机制是否能提升生物医学图像分割中的长距离语义推理能力？
• RQ2 在基于图的特征传播中引入边界感知性，对小尺寸或不规则形状解剖结构的分割精度有何影响？
• RQ3 所提出的输入相关图结构在多大程度上优于依赖数据无关拉普拉斯矩阵的现有图卷积方法？
• RQ4 通道注意力与空间注意力机制在优化图边权重以提升特征表示方面有何贡献？
• RQ5 所提出的BI-GCN框架能否在多种生物医学图像分割任务（如息肉和视盘/视杯分割）中实现良好泛化？

主要发现

• 所提出的BI-GCN在息肉分割数据集上取得88.8%的平均Dice分数，较之前最先进方法提升1.9个百分点。
• 在视盘与视杯分割数据集上，BI-GCN取得91.1%的平均Dice分数，较次优方法提升1.5个百分点。
• 消融实验表明，添加边界感知模块（BSM）使Dice分数提升1.0个百分点，使用单个BI-GConv层使性能提升3.4个百分点。
• 完整模型包含三个BI-GConv层，在息肉分割任务中达到88.8%的Dice分数，在视盘/视杯任务中达到91.1%，证明深层图推理的有效性。
• 模型保持高度可靠性，95%置信区间显示所有指标表现一致。
• 输入相关的图结构显著提升分割性能，通过学习上下文相关的长距离关系，尤其在远距离但语义相似的区域中表现突出。